tweeper.php

   1 <?php
   2 /*
   3  * tweeper - a Twitter to RSS web scraper
   4  *
   5  * Copyright (C) 2013  Antonio Ospite <ospite@studenti.unina.it>
   6  *
   7  * This program is free software: you can redistribute it and/or modify
   8  * it under the terms of the GNU General Public License as published by
   9  * the Free Software Foundation, either version 3 of the License, or
  10  * (at your option) any later version.
  11  *
  12  * This program is distributed in the hope that it will be useful,
  13  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  14  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  15  * GNU General Public License for more details.
  16  *
  17  * You should have received a copy of the GNU General Public License
  18  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  19  */
  20
  21 date_default_timezone_set('UTC');
  22
  23 class Tweeper {
  24
  25   private static $USER_AGENT = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
  26
  27   public function __construct($stylesheet, $generate_enclosure = FALSE) {
  28     $stylesheet_contents = $this->get_contents($stylesheet);
  29
  30     $xslDoc = new DOMDocument();
  31     $xslDoc->loadXML($stylesheet_contents);
  32
  33     $this->xsltProcessor = new XSLTProcessor();
  34     $this->xsltProcessor->registerPHPFunctions();
  35     $this->xsltProcessor->setParameter('', 'generateEnclosure', $generate_enclosure);
  36     $this->xsltProcessor->importStylesheet($xslDoc);
  37   }
  38
  39   public static function epoch_to_gmdate($timestamp)
  40   {
  41     return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
  42   }
  43
  44   public static function str_to_gmdate($date)
  45   {
  46     $timestamp = strtotime($date);
  47     return Tweeper::epoch_to_gmdate($timestamp);
  48   }
  49
  50   private static function get_contents($uri) {
  51     # https://www.wjsams.com/c/docs/Wiki/Php-HowToSetUserAgentOnFileGetContents
  52     $opts = array(
  53       'http' => array(
  54         'method' => "GET",
  55         'header' => join(array(
  56           "Accept-language: en\r\n",
  57           "User-Agent: {" + Tweeper::$USER_AGENT + "}\r\n"
  58         ))
  59       )
  60     );
  61
  62     $context = stream_context_create($opts);
  63     $contents = file_get_contents($uri, false, $context);
  64     return $contents;
  65   }
  66
  67   private static function get_info($url)
  68   {
  69     $ch = curl_init($url);
  70     curl_setopt_array($ch, array(
  71         CURLOPT_HEADER => TRUE,
  72         CURLOPT_NOBODY => TRUE,
  73         CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
  74         CURLOPT_RETURNTRANSFER => TRUE,
  75         CURLOPT_SSL_VERIFYHOST => FALSE,
  76         CURLOPT_SSL_VERIFYPEER => FALSE,
  77         CURLOPT_USERAGENT => Tweeper::$USER_AGENT,
  78     ));
  79     curl_exec($ch);
  80     $url_info = curl_getinfo($ch);;
  81     curl_close($ch);
  82
  83     return $url_info;
  84   }
  85
  86   public static function generate_enclosure($url)
  87   {
  88     $supported_content_types = array(
  89       "application/ogg",
  90       "audio/aac",
  91       "audio/mp4",
  92       "audio/mpeg",
  93       "audio/vorbis",
  94       "audio/wav",
  95       "audio/webm",
  96       "audio/x-midi",
  97       "image/gif",
  98       "image/jpeg",
  99       "video/avi",
 100       "video/mp4",
 101       "video/mpeg",
 102       "video/ogg",
 103     );
 104
 105     $url_info = Tweeper::get_info($url);
 106
 107     $supported = in_array($url_info['content_type'], $supported_content_types);
 108     if (!$supported) {
 109       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
 110       return '';
 111     }
 112
 113     $dom = new DomDocument();
 114     $enc = $dom->createElement('enclosure');
 115     $enc->setAttribute('url', $url_info['url']);
 116     $enc->setAttribute('length', $url_info['download_content_length']);
 117     $enc->setAttribute('type', $url_info['content_type']);
 118
 119     $dom->appendChild($enc);
 120
 121     return $dom->saveXML($enc);
 122   }
 123
 124   public function tweep($uri) {
 125     $html = Tweeper::get_contents($uri);
 126
 127     $xmlDoc = new DOMDocument();
 128     $xmlDoc->loadHTML($html);
 129
 130     $output = $this->xsltProcessor->transformToXML($xmlDoc);
 131
 132     if (FALSE === $output) {
 133       trigger_error('XSL transformation failed.', E_USER_ERROR);
 134       return NULL;
 135     }
 136     return $output;
 137   }
 138 }
 139
 140 function usage($argv)
 141 {
 142   if (php_sapi_name() != 'cli')
 143     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
 144   else
 145     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
 146
 147   return "usage: $usage";
 148 }
 149
 150 function parse_options_cli($argv, $argc)
 151 {
 152   $options = array(
 153     'generate_enclosure' => FALSE
 154   );
 155
 156   if ($argc < 2)
 157     return $options;
 158
 159   $cli_options = getopt("eh", array("help"));
 160   foreach ($cli_options as $opt => $val) {
 161     switch ($opt) {
 162     case 'e':
 163       $options['generate_enclosure'] = TRUE;
 164       break;
 165     case 'h':
 166     case 'help':
 167       echo usage($argv);
 168       exit(0);
 169     default:
 170       die(usage($argv));
 171     }
 172   }
 173
 174   $options['src_url'] = $argv[count($cli_options) + 1];
 175
 176   return $options;
 177 }
 178
 179 function parse_options_query_string()
 180 {
 181   $options = array(
 182     'generate_enclosure' => FALSE
 183   );
 184
 185   if (isset($_GET['src_url']))
 186     $options['src_url'] = $_GET['src_url'];
 187
 188   if (isset($_GET['generate_enclosure']))
 189     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
 190
 191   return $options;
 192 }
 193
 194
 195 if (php_sapi_name() != 'cli')
 196   $options = parse_options_query_string();
 197 else
 198   $options = parse_options_cli($argv, $argc);
 199
 200 if (!isset($options['src_url']))
 201   die(usage($argv));
 202
 203 $url = parse_url($options['src_url']);
 204 if (FALSE === $url || empty($url["host"]))
 205   die("Invalid url: ${options['src_url']}\n");
 206
 207 $stylesheet = __DIR__ . "/rss_converter_" . $url["host"] . ".xsl";
 208 if (FALSE === file_exists($stylesheet))
 209   die("Conversion to RSS not supported: {$url["host"]}\n");
 210
 211 $tweeper = new Tweeper($stylesheet, $options['generate_enclosure']);
 212 echo $tweeper->tweep($options['src_url']);